基于视觉引导的搬运机器人目标识别的发展现状（上）

基于机器视觉的目标识别指的是在根据CCD相机或摄像机拍摄到的图像信息或视频信息，寻找指定目标的过程。

通常状况下，目标识别的流程由两部分构成，第一步进行识别，先要获取指定目标本身具有的特征信息当作识别的根据，其中的特征信息通常有目标大小、形状、颜色等等，依据这些特征可以构建能唯一表示指定目标的信息模型;第二步进行匹配，将从ccD相机或摄像机中提取的信息和根据特征构建出得模型信息进行匹配，此时，假如从外部设备获取的信息能够与指定的目标模型完成匹配，就能够确定所指定的目标存在于当前场景，也就实现了对目标的识别

从上世纪60年代开始，目标识别在机器视觉领域得到了广泛的应用，例如:人脸识别、导弹跟踪、录像监控等。当前，目标识别的关键问题在于如何对目标物体进行特征表示，该特征表示须在表现出工件唯一性的同时，还可以在不同的场合都能够有效的被利用，只有同时满足这两个条件，才能准确的对目标进行识别。

通常来说，模板匹配是最为简单的用于目标识别的方法。模板的匹配问题，指的是选取模板后，在待搜索图像中搜索出与模板匹配程度最高的子图，再进行模板和子图的相似度匹配。基于图像模板匹配的方法也叫图像像素相关匹配法或灰度模板匹配法，其在对目标识别、对象检测等系统中得到了比较广泛的应用，模板匹配的方法能够判断出被搜索图像中是否存在与模板相对应的图片。假如在被搜索的图像中存在和模板的尺寸和方向都相同的的区域，匹配方法所遵循的原则则是利用相关函数或归一化相关函数的计算来搜索和模板匹配的目标。利用相关函数在图像中实现对模板的匹配计算方法相当复杂，这是因为模板匹配中使用的模板相当大。从而导致，在待搜索图像中区寻找与模板匹配程度最高的子图会使得计算量加大，在某种程度上降低了匹配效率。为了使模板匹配高速化，Barnea等人提出了序贯相似性检验法一一SSDA法(公式)C sequential similiarity detection algorithm)。但是当待搜索图像中的被搜索的部分图像的方向和匹配模板的方向不一致时，上述模板匹配的方法不能起到对目标的识别作用。一般的方法是使图像在二维平面上，逐渐增加模板的旋转角度，分别用不同旋转角度的模板来匹配待搜索图像并计算它们之间的相似性。显而易见，此种匹配方法的计算量很大，较难以应用在对响应时间要求较高的图像处理系统中。    搬运机器人